一種基于粗糙集神經(jīng)網(wǎng)絡(luò)的陶瓷原料分類方法

1、陶瓷學(xué)報JOURNAL OF CERAMICS第31卷第1期2010年3月文章編號:1000-2278(201001-0136-04一種基于粗糙集神經(jīng)網(wǎng)絡(luò)的陶瓷原料分類方法秦祎晗柳炳祥彭文(景德鎮(zhèn)陶瓷學(xué)院信息工程學(xué)院,景德鎮(zhèn):333403摘要文章在分析粗糙集和神經(jīng)網(wǎng)絡(luò)各自優(yōu)勢和存在問題的基礎(chǔ)上,設(shè)計了一種將兩者綜合集成的新方法。該方法利用粗糙集對神經(jīng)網(wǎng)絡(luò)待處理的數(shù)據(jù)進行屬性約簡,借此來簡化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),然后利用三層BP 神經(jīng)網(wǎng)絡(luò)建立陶瓷原料分類模型。實驗結(jié)果表明,粗糙集神經(jīng)網(wǎng)絡(luò)方法用于陶瓷原料分類是可行的和有效的,有助于對陶瓷原料的選取,有一定的理論意義和實際應(yīng)用價值。關(guān)鍵詞粗糙集,屬性約簡,

2、BP 神經(jīng)網(wǎng)絡(luò),陶瓷原料中圖分類號:TQ174.4文獻標(biāo)識碼:A1引言陶瓷行業(yè)的發(fā)展,離不開優(yōu)質(zhì)的陶瓷原料,而優(yōu)質(zhì)陶瓷原料必須具備專業(yè)化、標(biāo)準化和商品化的特點。陶瓷原料的專業(yè)化、標(biāo)準化、商品化是陶瓷企業(yè)組織現(xiàn)代陶瓷生產(chǎn)的重要手段,是陶瓷企業(yè)進行科學(xué)管理的重要組成部分,是企業(yè)生產(chǎn)高檔次、高質(zhì)量、高技術(shù)含量陶瓷產(chǎn)品的基礎(chǔ)。陶瓷材料制品由多種無機非金屬材料構(gòu)成,所用原料大部分是天然的礦物原料或者是巖石原料,這些原料種類繁多,分布廣泛,結(jié)構(gòu)復(fù)雜,成分多變。由于陶瓷原料未能實現(xiàn)標(biāo)準化、專業(yè)化和商品化,這對陶瓷原料本身和產(chǎn)品品質(zhì)產(chǎn)生較大影響,甚至造成浪費。陶瓷原料在陶瓷生產(chǎn)過程中發(fā)揮著重要的作用,因此對陶

3、瓷原料進行遴選是必要的。如何科學(xué)、合理地對陶瓷原料進行分類,選擇適合自己工藝流程的陶瓷原料,是眾多陶瓷企業(yè)迫切需要解決的問題。陶瓷企業(yè)越來越關(guān)注于陶瓷原料的選擇,對陶瓷原料進行分類顯得非常重要。因此,在陶瓷原料分類研究中,許多學(xué)者提出了不同方法。文章在文獻2的基礎(chǔ)上,利用粗糙集可分辨矩陣對陶瓷原料特征參數(shù)進行屬性約簡,然后使用BP 神經(jīng)網(wǎng)絡(luò)誤差反向傳播方法,通過選取約簡后的陶瓷原料特征參數(shù),訓(xùn)練樣本,得到最佳網(wǎng)絡(luò)參數(shù),進而對目標(biāo)陶瓷原料進行識別和分類。該方法不僅減小了網(wǎng)絡(luò)規(guī)模,同時通過消除對象冗余屬性,減少了網(wǎng)絡(luò)訓(xùn)練和學(xué)習(xí)負擔(dān),通過消除噪聲提高BP 神經(jīng)網(wǎng)絡(luò)預(yù)測精度。此方法充分發(fā)揮了粗糙集和B

4、P 神經(jīng)網(wǎng)絡(luò)的優(yōu)勢,彌補各自缺點,能較好地解決這種模糊的、不確定情況的決策問題。實驗結(jié)果表明,該方法準確性好,成功率高,是一種有效的處理方法。2相關(guān)理論2.1粗糙集1定義1:設(shè)S=(U,A,V,F是一個信息系統(tǒng),如果每個屬性a A 都是A 中不可約去的,即:IND(A-aIND(A,稱屬性a 在A 中是必要的,否則稱a 在A 中是多余的。定義2:設(shè)S=(U,A,V,F是一個信息系統(tǒng),如果每個屬性a A 在A 中都是必要的,則稱屬性集A 是獨立的,否則稱A 是相關(guān)的。如果是相關(guān)屬性集,其中必然包含多余屬性,可以對其進行約簡。定義3:設(shè)S=(U,A,V,F是一個信息系統(tǒng),中所有必要的屬性組成的集合

5、稱為屬性集的核,記為收稿日期:2009-12-01圖1三層BP 模型網(wǎng)絡(luò)結(jié)構(gòu)Fig.1Three-layer BP neural networkCORE(A。定義4:設(shè)S=(U,A,V,F是一個信息系統(tǒng),P 哿A ,如果IND(P=IND(A,且P 是獨立的,則稱P 是A 的一個最小子集,記為RED(P。一個屬性集A 可能有多個最小子集。定義5:所有屬性集A 的簡化RED (P的交集CORE(A=RED(P,即為屬性集A 的CORE(A,它是不能被消去的知識特征的集合。分辨矩陣(Discernibility Matrix是由波蘭華沙大學(xué)的數(shù)學(xué)家A.Skowron 提出的,是近年來在粗糙集約簡上

6、出現(xiàn)的一個有力的工具。利用這個工具,可以將存在于復(fù)雜信息系統(tǒng)中的全部不可分辨關(guān)系表達出來。首先給出分辨矩陣的概念:設(shè)信息系統(tǒng)S=(U,A,V,F,A=a 1,.,a m 的分辨矩陣為M(S,M(S是n ×n 的矩陣,m ij 表示分辨矩陣中第i 行、第j 列元素,每一個元素m ij 都是A 的一個子集,即:m ij 哿A 。M(S中的元素確定如下:m=a A a(x i a(x i D(x i D(x i D(x i =D(x i i,j=1,2,.nD(x i 表示所有與x i 在關(guān)系IDN(A下是等價的元素相應(yīng)的決策屬性值構(gòu)成的集合的基數(shù)。M(S是一個主對角線為0的對稱矩陣,由于

7、其對稱性,可以只利用下三角部分表示,使其計算量減少將近一半。2.2BP 神經(jīng)網(wǎng)絡(luò)8BP 網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中研究最多、應(yīng)用最廣的網(wǎng)絡(luò)之一。BP 算法的基本思想是,學(xué)習(xí)過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時,輸入樣本從輸入層傳入,經(jīng)各隱層逐層處理后,傳向輸出層。若輸出層的實際輸出與期望輸出不符,則轉(zhuǎn)入誤差的反向傳播階段。這種信號正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過程一直進行到網(wǎng)絡(luò)輸出的誤差減少到設(shè)定閾值或到設(shè)定的學(xué)習(xí)次數(shù)為止。圖1所示的單隱層網(wǎng)絡(luò)的應(yīng)用最為普遍。3粗糙集BP 神經(jīng)網(wǎng)絡(luò)融合模型3.1粗糙集BP 神經(jīng)網(wǎng)絡(luò)融合模型粗糙集和BP 神經(jīng)網(wǎng)絡(luò)都是處理不確定、不完全信息

8、的方法,粗糙集方法考慮知識表達中不同屬性的重要性,哪些知識是重要的,確定哪些知識是冗余的,并且刪除冗余知識保留重要知識。而BP 神經(jīng)網(wǎng)絡(luò)利用非線映射思想和并行處理方法對輸入與輸出關(guān)聯(lián)知識的隱函數(shù)編碼。文章將粗糙集與BP 神經(jīng)網(wǎng)絡(luò)這兩種理論有機地結(jié)合,并將其融合模型用于選取陶瓷原料的研究,提出了一種基于粗糙集BP 神經(jīng)網(wǎng)絡(luò)的陶瓷原料分類方法。粗糙集BP 神經(jīng)網(wǎng)絡(luò)陶瓷原料分類方法的實質(zhì)就是在傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上,應(yīng)用粗糙集方法在不改變原有決策規(guī)則的前提下,對知識系統(tǒng)中的屬性和論域中的對象進行約簡,求出簡化的決策規(guī)則,并應(yīng)用此規(guī)則對BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)或?qū)哟芜M行簡化,對BP 神經(jīng)網(wǎng)絡(luò)的缺點加以克

9、服,從而提高BP 神經(jīng)網(wǎng)絡(luò)的效率和訓(xùn)練質(zhì)量。這樣既減小了網(wǎng)絡(luò)的規(guī)模,同時通過消除對象冗余減少了網(wǎng)絡(luò)的訓(xùn)練和學(xué)習(xí)負擔(dān),通過消除噪聲提高了BP 神經(jīng)網(wǎng)絡(luò)預(yù)測精度。其目的是豐富陶瓷原料分類的理論與方法,增強實踐經(jīng)驗,為更好地選擇陶瓷原料提供更為可靠的決策支持。通過資料收集,得到陶瓷原料數(shù)據(jù)信息。陶瓷原料的組成包含SiO 2、Al 2O 3、K 2O 、Na 2O 、CaO 、MgO 、Fe 2O 3和TiO 2等多種氧化物及燒失量I.L ,氧化物之間存在一定的配比關(guān)系,不同的配比關(guān)系對應(yīng)不同的陶瓷原料。文章先利用粗糙集屬性約簡方法對原始數(shù)據(jù)進行屬性約簡,消除樣本中噪聲(不一致對象。把簡化后的樣本數(shù)據(jù)

10、輸入BP 神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練,BP 神經(jīng)網(wǎng)絡(luò)對輸入每一個同樣的訓(xùn)練集對象進行學(xué)習(xí),學(xué)習(xí)采用反向誤差傳播的BP 算法,學(xué)習(xí)過程中用反向誤差傳播來調(diào)整決策規(guī)則的依賴因素,最后利用BP 神經(jīng)網(wǎng)絡(luò)輸出結(jié)果對陶瓷原料進行分類。3.2基于粗糙集BP 神經(jīng)網(wǎng)絡(luò)融合模型在陶瓷原料分類的應(yīng)用實例表1粗糙集BP 神經(jīng)網(wǎng)絡(luò)對10種陶瓷原料預(yù)測結(jié)果Tab.1Predicting results for 10ceramic materials by the rough set and the BP neural network序號輸出節(jié)點粗糙集BP 網(wǎng)絡(luò)預(yù)測原料的類別原料實際所屬類別0.92770.000033圖230種

11、陶瓷原料粘土組成成分Fig.2Compositions of 30ceramic clays圖5測試樣本Fig.5Testing samples圖4訓(xùn)練樣本Fig.4Training samples圖3陶瓷原料屬性約簡后決策表Fig.3Results of attribute reduction for the choice ofceramic raw materials文章根據(jù)文獻6和有關(guān)工廠收集的數(shù)據(jù),抽取30種陶瓷原料,如圖2所示。對30種陶瓷原料進行數(shù)據(jù)離散,論域有30個樣品,編號1-30,其條件屬性集是A,B,C,D,E,F,G,H,I分別代表SiO 2,Al 2O 3,Fe 2O

12、3,CaO ,MgO ,K 2O ,Na 2O ,TiO 2,I.L,決策屬性是M 代表類別。將其屬性值連續(xù)數(shù)據(jù)離散化,并且進行屬性約簡,結(jié)果如圖3所示。將圖4中陶瓷原料的數(shù)據(jù)作為訓(xùn)練樣本,特征參數(shù)A ,B ,F ,I 作為BP 神經(jīng)網(wǎng)絡(luò)的輸入,類別M 為輸出。輸出00表示屬于第1類陶瓷原料,01表示屬于第2類陶瓷原料,10表示屬于第3類陶瓷原料,11表示屬于第4類陶瓷原料。先對圖3中的數(shù)據(jù)進行歸一化,然后按照BP神經(jīng)網(wǎng)絡(luò)原理不斷調(diào)整網(wǎng)絡(luò)參數(shù),直到訓(xùn)練結(jié)果符合BP神經(jīng)網(wǎng)絡(luò)的要求。訓(xùn)練結(jié)束后,可以用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型判別未知樣品,將圖4中待判別原料的特征參數(shù)進行歸一化,然后輸入BP神經(jīng)網(wǎng)絡(luò)

13、模型,進行模式識別和分類,預(yù)測結(jié)果如表1所示。從表1中可以清楚看到,對未知樣品的判別輸出結(jié)果與實際結(jié)果一致。可見,粗糙集BP神經(jīng)網(wǎng)絡(luò)對陶瓷原料進行分類是有效的。在調(diào)試配方時,可以利用粗糙集BP神經(jīng)網(wǎng)絡(luò)模型對擬用的陶瓷原料進行識別和分類,幫助選擇原料。利用粗糙集BP神經(jīng)網(wǎng)絡(luò)可以建立陶瓷原料特征參數(shù)與其種類關(guān)系的模型,在模式識別方面具有強大的功能,只要選擇并訓(xùn)練好粗糙集BP神經(jīng)網(wǎng)絡(luò)參數(shù),就可以得到較精確的分類,誤差很小,顯示出粗糙集BP神經(jīng)網(wǎng)絡(luò)高容量、高速度及強大的糾錯能力,具有一定的實用價值。利用粗糙集BP神經(jīng)網(wǎng)絡(luò)對陶瓷原料進行分類,其結(jié)果有助于新配方的研制和舊配方的維持,在實際生產(chǎn)中進行運用。

14、4結(jié)論文章利用粗糙集的數(shù)據(jù)分析與處理能力,消除噪音干擾,并對輸入?yún)?shù)集進行約簡,減少了信息表達的特征數(shù)量,簡化神經(jīng)網(wǎng)絡(luò)輸入變量的個數(shù),降低了BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)的復(fù)雜性,提高了網(wǎng)絡(luò)訓(xùn)練速度和運行速度,減少網(wǎng)絡(luò)訓(xùn)練時間,提高了整個融合系統(tǒng)速度。該模型通過粗糙集方法,使用BP神經(jīng)網(wǎng)絡(luò)作為后置的信息識別系統(tǒng),提高了模型的容錯能力和抗干擾能力。通過陶瓷原料歷史數(shù)據(jù)進行實驗,結(jié)果驗證了粗糙集BP神經(jīng)網(wǎng)絡(luò)融合模型在陶瓷原料分類中是可行的和有效的,為陶瓷原料分類提供了一種新的分析思路和研究方法。參考文獻3Pawlak Z.Rough Sets:Theoretical Aspects of Reasoning a

15、bout Data.Dordrecht:Kluwer Academic Publishers,19915葛哲學(xué),孫志強等.神經(jīng)網(wǎng)絡(luò)理論與MATLAB R2007實現(xiàn).北京:電子工業(yè)出版社,20077Zdzistaw Pawlak and Andrzej Skowron.Rough sets and Boolean reasoning.Information Sciences,2007,177:4173A CLASSIFICATION METHOD FOR CERAMIC RAW MATERIALSBASED ON ROUGH SET AND NEURAL NETWORKQin Yihan Li

16、u Bingxiang Peng Wen(School of Information Engineering,Jingdezhen Ceramic Institute,Jingdezhen333403AbstractA new method combining the advantages of the rough set theory and neural network theory was presented.The attributes of the data were reduced according to the rough set theory,thereby to simplify the neural network structure;three-layer artificial neural network is applied to the classification of ceramic raw materials.The results demonstrate that pattern recognition of ceramic raw materials by the rough set an